Il a maintenant été démontré qu'une nouvelle prévision basée sur l'apprentissage automatique prédit avec plus de précision les précipitations de mousson en Asie du Sud 10 à 30 jours à l'avance, une amélioration significative par rapport aux prévisions de pointe actuelles qui utilisent la modélisation numérique plutôt que l'intelligence artificielle. pour faire des prédictions. Comprendre le comportement de la mousson est également important car ce type de précipitations constitue une caractéristique atmosphérique majeure du climat mondial.

La recherche a été dirigée par Eviatar Bach, chercheur postdoctoral associé en sciences et ingénierie de l'environnement Foster et Coco Stanback, qui travaille dans les laboratoires de Tapio Schneider, professeur Theodore Y. Wu de sciences et d'ingénierie de l'environnement et chercheur principal au JPL ; et Andrew Stuart, professeur Bren d'informatique et de sciences mathématiques.

Un article décrivant la nouvelle méthode apparaît dans les Proceedings of the National Academy of Sciences. .

"Il y a beaucoup d'inquiétude quant à la façon dont le changement climatique affectera la mousson et d'autres événements météorologiques comme les ouragans, les vagues de chaleur, etc.", dit Bach. "Améliorer les prévisions sur des échelles de temps plus courtes est un élément important de la réponse au changement climatique, car nous devons être en mesure d'améliorer la préparation à ces événements."

Il est difficile de prédire le temps qu'il fait, car l'atmosphère contient de nombreuses instabilités (par exemple, l'atmosphère est continuellement chauffée par la terre, ce qui conduit à un air froid et plus dense au-dessus d'un air plus chaud et moins dense), ainsi qu'une instabilité causée par un chauffage inégal et la rotation de la Terre. Ces instabilités conduisent à une situation chaotique dans laquelle les erreurs et les incertitudes dans la modélisation du comportement de l'atmosphère se multiplient rapidement, rendant presque impossible toute prévision à plus long terme.

Les modèles de pointe actuels utilisent la modélisation numérique, qui est une simulation informatique de l'atmosphère basée sur les équations physiques décrivant le mouvement des fluides. En raison du chaos, la durée maximale prévisible d’une météorologie à grande échelle est généralement d’environ 10 jours. Prédire le comportement moyen à long terme de l'atmosphère, c'est-à-dire du climat, est également possible, mais prévoir le temps qu'il fera dans un intervalle de temps compris entre deux semaines et plusieurs mois a été un défi avec les modèles numériques.

Avec les moussons d’Asie du Sud, la pluie a tendance à tomber par cycles de rafales intenses suivies de périodes de sécheresse. Ces cycles sont connus sous le nom d’oscillations intrasaisonnières de mousson (MISO). Dans cette nouvelle recherche, Bach et ses collaborateurs ont ajouté un composant d'apprentissage automatique aux modèles numériques de pointe actuels. Cela a permis aux chercheurs de recueillir des données sur les MISO et de faire de meilleures prévisions des précipitations sur une échelle de temps insaisissable de deux à quatre semaines. Le modèle résultant a pu améliorer les corrélations des prédictions avec les observations jusqu'à 70 %.

"Ces dernières années, l'utilisation de l'apprentissage automatique pour la prévision météorologique a suscité un intérêt accru", explique Bach. "Notre travail montre qu'une combinaison d'apprentissage automatique et de modélisation numérique plus traditionnelle peut produire des résultats précis."

L'article s'intitule « Amélioration de la prévision subsaisonnière des précipitations de mousson en Asie du Sud à l'aide de prévisions basées sur des données sur les modes oscillatoires. » Outre Bach, les co-auteurs sont V. Krishnamurthy et Jagadish Shukla de l'Université George Mason; Safa Mote de l'Université d'État de Portland ; A. Surjalal Sharma et Eugenia Kalnay de l'Université du Maryland ; et Michael Ghil de l'École Normale Supérieure de Paris, de l'UCLA et de l'Imperial College de Londres.